基于深度学习的航空发动机故障融合诊断

通过对航空发动机故障诊断,能够正确判断各部件工作状态,快速确定维修方案,保证飞行安全。在结合深度信念网络和决策融合算法的基础上,提出了基于深度学习的航空发动机故障融合诊断模型。该模型通过分析发动机的大量性能参数,先利用深度学习模型提取出性能参数中的隐藏特征,得出故障分类置信度;其后对多次故障分类结果进行决策融合,从而得出更准确的诊断结果。将普惠JT9D发动机故障系数用于数据仿真,通过算例验证本文算法的有效性;算例计算结果表明:多次实验结果经数据融合提高了可信度,该模型具有较高的故障分类诊断准确性和抗干扰能力。      

考虑随机效应的多源信息融合剩余寿命预测

为了合理利用同类设备的先验信息,提高参数估计和剩余使用寿命（RUL）预测精度,提出一种基于多源信息融合并考虑随机效应的RUL预测方法。利用考虑随机效应的线性Wiener过程对设备的退化过程进行建模;利用期望最大化（EM）算法,融合先验退化信息和先验失效寿命数据信息,计算模型中的未知参数;根据Wiener过程参数估计的性质,提出一种基于多源信息融合并考虑随机效应的非线性Wiener过程参数估计方法;利用激光器数据和疲劳裂纹数据进行实验验证。实验结果表明：与基于历史退化数据或失效寿命数据的方法相比,所提方法能有效提高参数估计和RUL预测的精度。     

多源知识融合处理算法

多源知识融合可有效提高判决结果的可靠性和置信度.借鉴信息融合的思路,分析了知识融合方法和一般模型.重点讨论了基于Bayes准则、基于D-S(Dempster-Shafer)证据理论以及基于模糊集理论的知识融合算法,给出了基于3种知识融合算法的具体处理步骤,并从算法特点和适用性、实用性等方面对3种知识融合算法性能进行了对比分析.通过知识融合在合成孔径雷达(SAR,Synthetic Aperture Radar)图像融合中应用的仿真实验,验证了知识融合算法的有效性.     

智慧城市多模式数据融合模型

随着云计算和大数据等技术的发展及城市发展的迫切需求,智慧城市已成为近年来国内外研究的热点之一。随着城市中摄像头、监测传感器等采集设备数量的增加,城市数据种类也越来越多。所获取的城市数据具有多源、异构、时变、高维等多模式特性。如何让这些多模式的城市数据关联起来,实现它们的互通互联,挖掘出更丰富多样的信息,从而能更好地指导智慧城市的构建,是本领域的难点。本文提出了一个城市多模式数据融合模型,即多模式互联生长（MICROS）模型,并从3个层面对该模型进行了描述。首先,针对多模式数据的特点,重点描述了多模式数据多源、异构、时变、高维等特点。其次,针对多模式数据的特点,自底向上构建实现针对多模式数据的融合过程的3层基础模型,分别是服务信息描述模型、元数据模型和数据互联模型。最后,在这3层模型的基础上,本文提出了一个适用于智慧城市建设的多模式数据融合模型。      

基于多传感器数据融合技术的力学量测量系统研究

多传感器的数据融合已经在系统智能检测领域得到越来越多的应用,本论文针对传统的数据融合算法未考虑传感器自身可靠性这一不足,分析了面向传感器可靠性的数据融合算法,并在多元力学参数检测系统中加以应用,给出了系统的总体框架,并对数据融合的具体应用进行了分析,这对于进一步提高力学参数的智能传感检测及数据融合的研究具有一定的借鉴意义。     

卫星多源信息贝叶斯融合方法研究

卫星在研制设计过程中存在大量不确定性因素,对卫星的可靠性及性能造成直接影响.如何实现复杂卫星系统的不确定性建模是目前亟需解决的问题,而多源分布信息融合是不确定性建模的关键.此外,在实际系统中,由于时间、成本的约束很难直接获得系统的分布信息.针对在系统信息缺失情况下如何实现卫星系统的多源信息融合问题,提出多层系统结构模块...     

天基信息港的多源信息融合任务调度研究

在天基信息港上实现多源信息融合,可以将数据的传输与处理集中在星上,减少了数据处理中心接收和分发数据的传输时间,提高了信息获取的时效性。考虑到任务高时效性的需求及天基信息港的资源受限,文章提出了天基信息港的多源信息融合任务调度问题,通过分析多源信息融合任务流程、天基信息港的资源特征,以最小化任务完成时间为优化目标,建立了天基信息港的多源信息融合任务调度模型,并设计了一种多机循环插入（Multi-machine Circular Insertion,MCI）算法对模型求解。仿真结果表明,该算法相比于列表调度算法能够平均减少10.8%的任务完成时间,算法运行时间大约为遗传算法的1/20,表明该算法能够满足天基信息港任务调度的高时效性要求。     

基于多尺度时间卷积网络的航空发动机寿命预测

剩余寿命预测对于航空发动机设备的安全运行、制定维修计划具有重要的意义.目前现有方法无法有效提取设备复杂工况和复杂故障下的退化特征.针对此问题,提出一种基于多尺度时间卷积网络(MTCN)的发动机寿命预测方法.该方法利用时间卷积网络提取数据时序信息,并通过多尺度卷积核的不同感受野提取设备复杂工况下的退化特征,从而更好地预测极端条件下的设备剩余使用寿命(RUL)值.为了验证所提出方法的有效性,在航空发动机C-MAPSS数据集上进行试验.结果表明所提出方法能有效提高设备在复杂工况和复杂故障下的RUL预测精度.     

基于蒙特卡罗模拟的航空发动机故障风险预测

针对航空发动机结构复杂、故障模式多样,传统故障风险预测方法难以实现的现状,基于蒙特卡罗模拟技术,给出了航空发动机故障风险预测方法,用于评估发动机各个部件在未来发生故障的可能性.针对航空发动机故障数据的特点,以威布尔分布建立故障概率模型,利用中位秩回归参数法,估计威布尔分布参数.利用乘同余组合发生器与反变换法相结合的方式产生满足威布尔分布的随机数.在单故障模式风险预测的基础上,给出了多种故障模式并存的航空发动机风险预测方法,并且给出了蒙特卡罗模拟步骤和算法,针对实例,对比发动机厂商提供的预测数据,验证了算法的有效性与蒙特卡罗模拟方法在航空发动机故障风险预测中的可用性.      

乏信息多传感器压力数据自助模糊融合估计

乏信息多传感器压力测量数据的融合估计是压力测量研究的重要问题,不同于经典的统计学方法,结合自助法和模糊数学的相关算法,提出一种实现乏信息多传感器压力测量数据融合估计的自助模糊数学模型.对具有乏信息特征的多个压力传感器的测量数据进行自助抽样;利用最大熵算法构建出不同时刻与位置的多个压力传感器测量数据的自助分布;用自助分布进行加权均值计算,提取相应特征值,得到自助融合序列;通过模糊隶属函数得到所测压力值的真值与区间估计.实例计算表明：在乏信息条件下,算法精度可达87%;在大样本条件下,测量数据在置信水平99.7%下,融合估计可靠性可达95%,验证了乏信息自助模糊融合估计算法的有效性.     

基于SMO—SVR的飞机舵面损伤故障趋势预测

飞机舵面出现损伤时,为了更准确的预测状态参量变化情况,提出了一种改进的序贯最小优化支持向量回归(SMO-SVR, Sequential Minimal Optimization Support Vector Regression)预测方法.采用改进C-C平均方法对多元时间序列进行相空间重构,以确定最优嵌入维数m和延迟时间τ_d.根据所求m和τ_d建立加权SVR预测模型,并调整了SMO算法的停机准则.利用区间自适应粒子群算法(IAPSO, Interval Adaptive Particle Swarm Optimization)优化SVR参数,以提高参数优化速度.为了验证改进算法的有效性,针对飞机方向舵损伤故障趋势进行了预测和分析,并与径向基函数神经网络(RBFNN, Radial Basis Function Neural Network)方法进行了对比,仿真结果表明SMO-SVR预测模型具有很好的预测能力.     

基于MEMD和ELM的飞机机翼健康状态预测技术

复合材料在现代飞机结构中的应用越来越广泛,为了有效地对飞机机翼健康状态进行预测,提出了基于多元经验模态分解(MEMD)和极限学习机(ELM)的飞机机翼健康状态预测方法。以某型飞机复合材料机翼盒段为具体研究对象,对其进行冲击与疲劳加载试验,利用光纤传感器及其采集系统募集飞机复合材料机翼盒段的原始应变信息,对其健康状态予以表征。对所采集的原始应变信息进行MEMD分解,提取分解后各频带信号的能量熵作为表征飞机复合材料机翼盒段健康状态的特征信息,采用动态主元分析法(DPCA)将所提取的能量熵特征信息进行融合,采用融合后所得到的能量熵构建ELM预测模型,对某型飞机复合材料机翼盒段健康状态进行预测。试验研究表明,本文方法可以有效实现飞机机翼的健康状态预测,具有很好的应用前景。     

基于多元KELM的发动机状态在线预测模型

针对当前飞机发动机状态预测过程中,不考虑相关变量状态变化,仅根据单变量历史时间序列对飞机发动机状态预测的问题,提出一种基于多元核极限学习机（KELM）的发动机状态在线预测模型。首先,通过多变量时间序列的相空间重构,将变量间的时间相关性转化为空间相关性;其次,通过研究KELM与核递归最小二乘法（KRLS）之间的关系,将KRLS扩展到在线稀疏KELM框架中;最后,使用近似线性依赖对样本进行稀疏化来控制网络结构的增长,最终实现多变量非平稳序列的在线预测。某型教练机的发动机飞行参数预测结果表明:满足在线预测要求的条件下,与KB-IELM、NOS-KELM、FF-OSKELM相比,模型KRLSELM将平均预测精度提高了90.61%、58.14%和25.77%,将预测稳定性提高了99.61%、75.03%和28.59%,具有更高的预测精度和稳定性;并且各方法均在多变量输入条件下获得最优的预测效果,验证了考虑多变量状态因素对单变量的在线预测具有重要意义。      

基于过程神经网络的液体火箭发动机状态预测

提出一种基于极限学习算法的离散过程神经网络模型,用于解决液体火箭发动机状态预测这一难题。首先,在历史数据的基础上建立离散过程神经网络（DPNN）预测模型;然后,根据在线更新的数据样本,采用递推极限学习（EL）算法对双并联前馈离散过程神经网络（DPFDPNN）隐层到输出层的权值进行更新,并应用权值更新后的过程神经网络对发动机状态进行预测;最后,以液体火箭发动机状态预测中氢涡轮泵扬程预测为例,分别采用有权值更新和无权值更新两种预测模型进行了试验。结果表明,通过更新过程神经网络权值可以使模型具有更高的预测精度和更好的适应能力,该方法能够为液体火箭发动机状态预测提供一种有效的解决途径。      

基于退化数据与故障数据的导弹竞争故障预测

针对具有多元退化量的导弹竞争故障预测问题,分析了导弹退化特性,并在考虑突发故障与退化故障相关性的基础上,建立了具有多元退化量的导弹竞争故障预测模型。对导弹性能退化数据与突发故障数据进行统计推断,确定了数据的分布类型,在此基础上对竞争故障预测模型的参数进行了求解。针对导弹性能退化数据分布参数存在非线性、小样本等问题,运用最小二乘支持向量机(LS-SVM)预测模型对性能退化数据的分布参数进行了预测,得到了性能退化数据未来某一时刻的分布函数;针对退化量与突发故障的相关性,应用位置-尺度模型分析了退化量与突发故障的关系,得出了突发故障与退化量的相关参数,进而根据导弹竞争故障预测模型得到了导弹未来一段时间内的竞争故障概率。以贮存状态下的整批导弹为例,实现了导弹竞争故障预测,并与其他预测方法进行了对比,结果验证了方法的合理性与有效性。      

基于源项辨识的飞机座舱污染浓度动态预测

随着大型民机飞行时间的延长,座舱空气污染事故发生概率也随之增大,快速准确的污染浓度预测对保证乘客生命安全具有重要意义.座舱各污染浓度的动态预测和污染源项强度辨识是实现座舱空气质量实时预测的关键技术.污染源项散发强度辨识,如采用最小二乘算法,参数估计是静态的,一般延迟较大;如采用单模卡尔曼滤波算法,虽能实现动态辨识,但不能同时兼顾稳态和过渡过程(突发污染)的参数估计性能,导致误差较大.为解决上述难题,本文提出基于源项辨识的飞机座舱污染浓度动态预测方法,同时完成污染源散发强度动态辨识和污染浓度状态实时预测.该算法由2个滤波器组成,分别用于匹配系统的稳态和突发过渡过程特征,提高浓度方程参数估计和状态预测性能,保证飞机座舱空气质量态势预测的快速性和准确性.仿真结果证实了该算法的有效性.     

飞机液压泵二维性能退化的可靠性评估

飞机液压泵为飞机操纵、起落架收放和刹车提供高压能源,其安全性和可靠性至关重要。针对飞机液压泵二维退化可靠性评估问题,构建了基于液压泵微观表面混合润滑的转子-配流盘摩擦副和轴尾密封副的摩擦磨损退化模型,基于统一随机过程模型描述2个性能指标的退化规律,利用Copula函数表征二维性能退化的相关关系,使用贝叶斯马尔可夫链蒙特卡罗法得到其考虑二元相关退化模型的未知参数估计,进而对飞机液压泵进行了可靠性评估。通过液压泵回油流量及轴尾密封摩擦力矩2个性能退化指标的实际退化数据,验证了所提出的理论和方法。结果表明,考虑2个性能退化指标相关的退化模型有效提高了可靠性评估及寿命预测精度。     

基于台架的涡扇发动机优化调整分析

提出了一种新的发动机优化调整方法.这一方法以多自由度多目标优化理论为基础,利用发动机性能仿真模型和故障诊断模型,在对故障发动机进行故障诊断的基础上,通过调整发动机可调部件以使发动机的性能达到设计要求.利用这一方法建立的发动机调整模型被用于某型处于生产试验阶段的涡扇发动机的实际试车调整中,实践表明,发动机调整模型所得到的最优调整方案能够有效地指导故障发动机的试车调整.